ANALISIS DATA DAN PEMBAHASAN
B. Analisis Data
1. Analisis Statistik Deskriptif
Statistik deskriptif adalah suatu gambaran dan penjelasan mengenai data yang digunakan peneliti berupa penjelasan tentang mean, median, nilai maximum, nilai minimum dan standar deviasi. Dalam standar deksriprif yang dilakukan peneliti menggunakan variabel bebas dan terikat yang sama yaitu,
96
Kecukupan modal dengan rasio CAR, tingkat risiko dalam pembiayaan dengan NPF dan tingkat perkembangan pembiayaan bank muamalat. Berdasarkan pengujian yang dilakukan, berikut adalah hasil dari statistik deskriptif :
Tabel 4.1
Hasil Analisis Statistik Deskriptif
( Jumlah Sampel, Maximum dan Minimum) Variabel Jumlah sampel Minimum Maximum Kecukupan Modal (CAR) 32 10.12000 17.64000 Tingkat Risiko Pembiayaan (NPF) 32 1.350000 8.860000 Perkembangan Pembiayaan 32 -0.079409 0.176725
Sumber: Data Sekunder, diolah 2018
Dapat dilihat pada dua tabel diatas yakni tabel 4.1 jumlah data sampel (N) dari masing-masing variabel yang diteliti adalah 32. Pada variabel kecukupan modal (CAR) jarak antara data bisa dikatakan cukup jauh karena pada data minimum (nilai terkecil) kecukupan modal sebesar 1012000, sedangkan data maximumnya (nilai terbesar) 17.64000. Untuk variabel tingkat risiko pembiayaan (NPF) jarak antara data dapat dikatakan cukup jauh karena pada data minimum (nilai terkecil) tingkat risiko pembiayaan sebesar 1.350000 sedangkan data maximumnya (nilai terbesar) 8.860000 enam kali lipat dari nilai minimum. Pada variabel perkembangan pembiayaan jarak antara data tidak terlalu jauh karena pada data minimum (nilai terkecil) perkembangan pembiayaan PT Bank Muamalat Indonesia sebesar -0.079409, sedangkan data
maximumnya (nilai terbesar) 0.176725. dan berikut adalah hasil statistik deskriptif dalam bentuk standar deviasi, mean dan median:
Tabel 4.2
Hasil Analisis Statistik Deskriptif (Standar Deviasi, Mean dan Median)
Variabel Std. Deviasi Mean Median
Kecukupan Modal (CAR) 1.814133 13.04063 12.66500 Tingkat Risiko Pembiayaan (NPF) 1.884951 4.334688 4.375000 Perkembangan Pembiayaan 0.051021 0.048054 0.061469
Sumber: Data Sekunder, diolah 2018
Dapat di lihat pada tabel 4.2 bahwa untuk nilai tengah (median) kecukupan modal diperoleh sebesar 12.66500. selain itu diperoleh nilai mean (rata-rata) angka kecukupan modal PT Bank Muamalat Indonesia sebesar 13.04063 yang berarti rata-rata tingkat kecukupan modal Bank Muamalat selama delapan tahun periode medekati nilai tengah (median). Selanjutnya adalah standar deviasi yang diperoleh sebesar 1.814133 yang berarti penyebaran data cukup besar dan bervariasi.
Untuk nilai tengah (median) tingkat risiko pembiayaan diperoleh sebesar 4.375000. Selain itu diperoleh nilai mean (rata-rata) angka tingkat risiko pembiayaan PT Bank Muamalat Indonesia sebesar 4.334688 yang berarti rata-rata tingkat risiko pembiayaan Bank Muamalat selama delapan tahun periode medekati nilai tengah (median). Selanjutnya adalah standar deviasi yang
diperoleh sebesar 1.884951 yang berarti penyebaran data cukup besar dan bervariasi.
Untuk nilai tengah (median) perkembangan pembiayaan diperoleh sebesar 0.061469. Selain itu diperoleh nilai mean (rata-rata) angka perkembanhan pembiayaan PT Bank Muamalat Indonesia sebesar 0.048054 yang berarti rata-rata tingkat risiko pembiayaan Bank Muamalat selama delapan tahun periode medekati nilai tengah (median). Selanjutnya adalah standar deviasi yang diperoleh sebesar 0.051021 yang berarti penyebaran data relatif kecil dan sedikit bervariasi.
2. Uji Asumsi Klasik
Pengujian hipotesis dengan model regresi linier berganda harus menghindari adanya penyimpangan asumsi klasik. Pengujian asumsi klasik dimaksudkan agar variabel kecukupan modal dan tingkat risiko pembiayaan menjadi estimator atas perkembangan pembiayaan PT Bank Muamalat Indonesia. Dengan dilakukannya uji asumsi klasik diharapkan dapat menghasilkan suatu model penelitian yang baik sehingga analisisnya juga baik dan tidak mengalami data bias.97
97
Mansuri, “Modul Praktikum Eviews Analisis Regresi Linier Berganda Menggunakan
Eviews),(On-Line), (Jakarta: Fakultas Ekonomi UNIVERSITAS BOROBUDUR, 2016), diuduh pada: 2 April 2018
a. Uji Normalitas
Uji normalitas dilakukan untuk menguji dalam model regresi apakah variabel pengganggu atau residual berdistribusi normal atau tidak. Regresi yang baik adalah regresi yang memiliki data berdistribusi normal. Hasil pengujian menggunakan Jarque Bera Test adalah dapat dilihat dalam tabelnya apabila Probability Jarque Bera hitung lebih besar dari = α 0,05 maka dapat disimpulkan bahwa residual terdistribusi normal dan sebaliknya, apabila nilainya lebih kecil maka tidak cukup bukti untuk menyatakan bahwa residual terdistribusi normal. Berikut adalah hasil test Uji Normalitas menggunakan Jarque Bera Test:
Tabel 4.3 Hasil Uji Normalitas
(Jarque Bera Test) Sampel Jarque Bera Test Probabilitas
Signifikansi
Keterangan
32 0,387 0.823 Normal
Sumber: Data Sekunder, diolah 2018
Dapat dilihat dalam tabel 4.3 bahwa hasil dari probablity JB Test adalah sebesar 0,387 sedangkan nilai probabilitas untuk signifikansinya adalah sebesar 0,823. Untuk mengetahui data berdistribusi normal atau tidak maka dapat dilihat dari nilai signifikansinya. Dari tabel uji normalitas diatas nilai signifikansi probabilitasnya 0,823 nilai tersebutlebih besar dari α= 0,05
artinya bahwa data variabel independen (kecukupan modal dan tingkat risiko pembiayaan) berasal dari data yang berdistribusi normal.
b. Uji Multikolinieritas
Uji ini bertujuan untuk menguji apakah model regresi ditemukan adanya korelasi antar variabel independen. Model regresi yang baik seharusnya tidak terjadi korelasi antar variabel independen. Apabila terjadi multikolinieritas maka penelitian yang dilakukan di haruskan meneliti ulang bagaimana bentuk variabel dependennya. Alat statistik yang digunakan untuk menguji gangguan multikolinieritas adalah dengan Variance Inflation Factor (VIF), dan standar nilai yang di gunakan dalam menguji multikolinieritas adalah Apabila VIF lebih besar dari 10 maka dapat dikatakan asumsi model tersebut mengandung multikolinieritas begitu sebaliknya apabila VIF lebih kecil dari 10 maka tidak terdapat multikolinieritas. Berikut adalah hasil uji multikolinieritas:
Tabel 4.4 Uji Multikolinieriats
Variabel VIF Keterangan
Kecukupan Modal (CAR)
1,187 Tidak Terjadi Multikolinieritas Tingkat Risiko
Pembiayaan (NPF)
1,187 Tidak Terjadi Multikolinieritas
Sumber: Data Sekunder, diolah 2018
Hasil uji multikolinieritas yang terdapat pada tabel 4.4 diketahui bahwa nila VIF (Variance Inflation Factor) variabel kecukupan modal dan
tingkat risiko pembiayaan sama, yakni sebesar 1,187 nilai tersebut lebih kecil dibanding 10 maka dapat dikatakan bahwa tidak terjadi multikolinieritas.
c. Uji Autokorelasi
Autokorelasi adalah hubungan antara anggota serangkai observasi yang diurutkan menurut waktu dan ruang. Uji autokorelasi dimaksudkan untuk menguji apakah dalam model regresi linier ada korelasi antara kesalahan pengganggu pada periode 1 dengan kesalahan pengganggu pada periode sebelumnya (t-1). Konsekuensi dari adanya autokorelasi adalah peluang keyakinan menjadi besar dan varian serta nilai kesalahan standar akan ditaksir terlalu rendah. Pengujian autokorelasi dalam penelitian ini menggunakan rumus Durbin Watson, dimana untuk menentukan ada atau tidaknya autokorelasi dalam suatu regresi menggunakan rumus dan tabel khusus yang diperuntukan bagi peneliti yang menggunakan uji Durbin Watson (DW). Adapun rumus persamaan DW adalah Jika d terletak antara dU dan (4- dU), maka hipotesis nol diterima dan tidak terdapat autokorelasi atau dengan kata lain jika dU < dw < 4- dU maka ho diterima dan tidak terjadi autokorelasi.
Tabel 4.5 Uji Autokorelasi
(Durbin-Watson)
32 1,309 1,574 2,246 2, 065 Tidak terjadi Autokorelasi
Sumber: Data Sekunder, diolah 2018
Hasil uji autokorelasi dengan model Durbin Watson menunjukan angka d sebesar 2,065, sementara jumlah sampel (N) adalah 32 sampel, maka nilai batas atas (dL) diperoleh sebesar 1,309 dan nilai batas bawah (dU) adalah 1,574. Berdasarkan ketentuan uji Durbin Watson bahwa dapat dikatakan tidak terjadi autokorelasi jika nilai dU < d < 4-Du, maka hasil ujian yaitu 1,574 < 2,065 < 2,246 maka dapat disimpulkan bahwa Ho diterima dan tidak terjadi Autokorelasi.
d. Uji Heteroskedastisitas
Uji heteroskedastisitas dilakukan untuk menguji apakah dalam model regresi terjadi ketidaksamaan variance dari residual satu pengamatan ke pengamatan yang lain. Jika vaiance dan residual satu pengamatan ke pengamatan lainnya tetap, maka disebut homoskedatisitas dan jika berbeda disebut heteroskedastisitas. Beberapa metode yang digunakan dalam melakukan pengujian heteroskedastisitas adalah:
1) Uji White
2) Uji Park 3) Uji Glesjer
Dalam penelitian ini, metode yang digunakan dalam menguji heteroskedastisitas adalah uji Glesjer. Dasar pengambilan keputusan hasil
pengujian dengan membandingkan nilai signifikansi variabel independen dengan nilai kepercayaan (α= 0,05/ 5%). Jika nilai signifikansi lebih besar dari nilai (α= 0,05/ 5%), maka dapat disimpulkan dalam model regresi tidak terdapat gejala heteroskedastisitas. Berikut adalah hasil pengujian heteroskedastisitas:
Tabel 4.6
Hasil Uji Heteroskedastisitas (Uji Glesjer) Variabel Jumlah Sampel Signifikansi Keterangan Kecukupan Modal (CAR) 32 0.6336 Tidak Terjadi Heteroskedastisitas Tingkat Risiko Pembiayaan (NPF) 32 0.3420 Tidak Terjadi Heteroskedastisitas
Sumber: Data Sekunder, diolah 2018
Berdasarkan tabel uji heteroskedastisitas pada tabel 4.6 nilai signifikansi variabel kecukupan modal (CAR), tingkat risiko pembiayaan (NPF) adalah masing-masing sebesar 0, 6336 dan 0,3420 dimana nilai tersebut lebih besar dari α= 0,05 (5%). Hal tersebut menunjukan bahwa model regresi penelitian ini tidak mengandung heteroskedastisitas.